摘要
基于深度学习的图像压缩伪影去除方法，旨在通过去除图像的压缩伪影恢复压缩图像的主观视觉质量。相比传统的伪影去除方法，基于深度学习的图像压缩伪影去除方法能实现端到端的伪影去除，显著提高重建图像的视觉质量。目前，基于深度学习的伪影去除方法已经取得了一定的进展，但仍存在巨大的提升空间。一方面，现有的伪影去除方法并未利用联合图像专家组(JointPhotographicExpertsGroup,JPEG)压缩模型的先验信息，导致需要对不同质量因子的压缩图像训练多个网络模型参数。另一方面，目前的伪影去除方法并未对互联网上广泛出现的多次压缩图像进行深入研究。基于上述背景，本文为提高方法的伪影去除性能以及实际应用价值，对基于深度学习的图像压缩伪影去除方法展开研究，具体研究工作如下： 1.针对现有方法缺乏对JPEG压缩算法先验信息利用的问题，本文提出一种基于变换域注意力机制的图像压缩伪影去除方法。该方法利用卷积神经网络分别在像素域和离散余弦变换(DiscreteCosineTransform,DCT)域提取图像特征，再将双域学习的特征信息进行融合。本文利用从压缩图像中获取的量化表设计了DCT注意力机制，该模块根据DCT系数的损失程度赋予各频率系数不同的权值，使网络自适应补偿由量化引起的误差。在此基础上，该方法在像素域引入通道注意力机制，从而更好地利用量化表的先验信息。本文提出的伪影去除方法以固定的网络模型参数对不同质量因子下的压缩图像进行伪影去除，本章实验结果相比于压缩图像，PSNR指标平均提高2.02dB，SSIM指标平均提高0.0324，PSNR-B指标平均提高3.92dB。实验结果表明，本文提出的方法在客观指标和主观视觉效果上均优于双域多尺度卷积神经网络(DMCNN)、量化表全局卷积神经网络(QGCN)等现有方法。 2.针对互联网上广泛存在的多次压缩图像造成伪影严重的问题，本文将编解码网络和单尺度特征网络结合作为骨干网络，设计了一种两阶段伪影去除方法。通过设计多尺度编码器从输入图像提取潜在特征表示，以学习压缩图像的多尺度语义信息。利用单尺度特征网络提取图像的细节、轮廓特征。结合二者优点，实现在去除压缩图像伪影的同时恢复图像的细节信息。此外，本文通过设计压缩程度估计模块，利用卷积神经网络提取压缩图像的潜在映射，得到压缩质量估计因子，将估计因子引入网络，提高网络对各种复杂伪影的适应性。本章实验结果相比于压缩图像，PSNR指标平均提高2dB，SSIM指标平均提高0.0339，PSNR-B指标平均提高3.97dB。实验结果表明，该方法能够有效去除图像多次压缩场景下的伪影，且单次压缩情况下也实现了较好的伪影去除性能。
NETL